对抗强化学习

PEARL结合对抗强化学习思路——主动构造或采样那些容易诱发失准行为的起始状态并对其施加惩罚——能够在更广的状态空间中施加抑制信号，而不仅限于针对特定提示做监督微调；这正是它在宽触发失准行为上获益更大的原因。